cd api
python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
cp .env.example .env  # 按需填 LLM_API_KEY / AZURE_OPENAI_API_KEY
uvicorn main:app --host 127.0.0.1 --port 4291

不要在长下载、抽帧、音频处理时带 --reload 跑后端；reload 会等待后台任务结束，表现为端口还在但新请求卡住。

路由

GET /health — 健康检查 + 配置状态
POST /jobs {url} — 创建 job，后台下载源视频；前端“开始分析”会在视频就绪后自动启动音频解析和视觉抽帧
POST /jobs/{id}/download/retry — TK 链接下载失败后重试下载；上传视频任务不能重下载
GET /jobs/{id} — 当前状态 + 产物；若原始音轨已拆出，会返回 source_audio_url
POST /jobs/{id}/transcribe — 触发音频提取 + ASR + 中文翻译 + 讲话人 / 节奏 / 背景音分析；当前第一步不默认生成 SKG 新口播或 TTS 配音
GET /jobs/{id}/video.mp4 — 原视频
GET /jobs/{id}/audio.wav — 拆轨后的原始音频，供前端音频波形和多模态音频分析使用
GET /jobs/{id}/audio-script.mp3 — 后续新配音阶段保留的 Azure OpenAI TTS 文件
GET /jobs/{id}/frames/{i}.jpg — 第 i 张参考帧；当前主流程自动抽 12 张动作 / 节奏参考帧，也支持手动按当前播放点补帧

Mock 模式

未设 LLM_API_KEY 时，转录走本地 mock，便于 UI 联调；未设 AZURE_OPENAI_API_KEY 时，后续 TTS 文件不会生成，但不影响当前第一步音频解析。

依赖

ffmpeg 系统二进制（拆轨 / 抽帧）
yt-dlp 系统二进制（也可走 Python 包）
OpenAI 兼容 LLM 网关（ASR / 翻译 / 文案改写 / 视觉 brief）；ASR 默认自动识别中文、英文和其他多语言，远端失败后先走容器内多语言 faster-whisper / 本机 mlx_whisper，再按开关用 ASR_FALLBACK_MODEL 走多模态音频识别，后端会拒绝疑似假字幕或覆盖率过低的时间轴
GPT 图片网关（当前所有生图 / 修图 / 产品视角识别 / 主体资产 / 首尾帧都强制使用 gpt-image-2，不做其他图片模型 fallback）
Azure OpenAI TTS（后续新配音阶段使用 AZURE_OPENAI_API_KEY；默认模型 gpt-4o-mini-tts，按 AZURE_TTS_PATHS 依次尝试语音路径）

README.md Unescape Escape

SKG TK 二创 API

启动

路由

Mock 模式

依赖

README.md